| http://dbpedia.org/ontology/abstract
|
Иерархическая Временная Память (англ. Hier … Иерархическая Временная Память (англ. Hierarchical temporal memory, HTM) — это частная модель мозга. Разработана Джеффом Хокинсом и Дилипом Джоржом из компании Numenta, Inc. Она моделирует некоторые структурные и алгоритмические свойства неокортекса. HTM модель базируется на теории память-предсказание мозговой функции описанной Джеффом Хокинсом в его книге «Об интеллекте» 2004 года. HTM описываются как биомиметические модели предположения причин интеллектом.е модели предположения причин интеллектом.
, Hierarchical temporal memory (HTM) is a bi … Hierarchical temporal memory (HTM) is a biologically constrained machine intelligence technology developed by Numenta. Originally described in the 2004 book On Intelligence by Jeff Hawkins with Sandra Blakeslee, HTM is primarily used today for anomaly detection in streaming data. The technology is based on neuroscience and the physiology and interaction of pyramidal neurons in the neocortex of the mammalian (in particular, human) brain. At the core of HTM are learning algorithms that can store, learn, infer, and recall high-order sequences. Unlike most other machine learning methods, HTM constantly learns (in an unsupervised process) time-based patterns in unlabeled data. HTM is robust to noise, and has high capacity (it can learn multiple patterns simultaneously). When applied to computers, HTM is well suited for prediction, anomaly detection, classification, and ultimately sensorimotor applications. HTM has been tested and implemented in software through example applications from Numenta and a few commercial applications from Numenta's partners.cial applications from Numenta's partners.
, Ієрархі́чна часова́ па́м'ять (ІЧП, англ. H … Ієрархі́чна часова́ па́м'ять (ІЧП, англ. Hierarchical temporal memory, HTM) — це продиктована біологією технологія машинного інтелекту, розроблювана компанією Numenta. Первинно описану з в книзі 2004 року «Про інтелект», ІЧП натепер переважно використовують для виявляння аномалій у потокових даних. Ця технологія ґрунтується на нейронауці та фізіології та взаємодії у новій корі ссавцевого (зокрема, людського) головного мозку. В основі ІЧП лежать алгоритми навчання, які можуть зберігати високопорядкові послідовності, навчатися їх, робити висновки стосовно них, та згадувати їх. На відміну від більшості інших алгоритмів машинного навчання, ІЧП безперервно навчається (спонтанним чином) часових образів у немічених даних. ІЧП є стійкою до шуму, і має високу ємність (вона може навчатися декількох образів одночасно). При застосуванні до комп'ютерів ІЧП є добре пристосованою для передбачування, виявляння аномалій, класифікування, та, зрештою, сенсо́рно-моторних застосувань. ІЧП було перевірено та втілено у програмному забезпеченні через приклади застосунків від Numenta, і декілька комерційних застосунків від партнерів Numenta.рційних застосунків від партнерів Numenta.
, Hierarchiczna pamięć (HTM) – model uczenia … Hierarchiczna pamięć (HTM) – model uczenia maszyn opracowany przez i z firmy , który odzwierciedla strukturalne i algorytmiczne właściwości (neocortex). Model ten używa podejścia podobnego do sieci bayesowskich. Model HTM jest oparty na teorii – teorii działania mózgu opisanej przez w jego książce . Sieci HTM są uważane za bionaśladowcze modele wnioskowania o przyczynach. Model ten jest podobny do pracy i Davida Mumforda.n jest podobny do pracy i Davida Mumforda.
, Ein hierarchischer Temporalspeicher (englisch hierarchical temporal memory, HTM) ist ein Modell des maschinellen Lernens, welches von Jeff Hawkins und Dileep George entwickelt wurde. Dieses Modell bildet einige Eigenschaften des Neocortex ab.
, La mémoire temporelle et hiérarchique (en … La mémoire temporelle et hiérarchique (en anglais Hierarchical temporal memory (HTM)) est un modèle d'apprentissage automatique développé par Jeff Hawkins et Dileep George de la compagnie Numenta. Il modélise certaines propriétés structurelles et algorithmiques du néocortex. C'est un modèle biomimétique fondé sur le paradigme mémoire-prédiction, une théorie du fonctionnement du cerveau élaborée par Jeff Hawkins dans son livre On Intelligence. Ce modèle permet de découvrir et d'inférer les causes à haut niveau des motifs et séquences observés dans les données, bâtissant ainsi un modèle complexe du monde.tissant ainsi un modèle complexe du monde.
, 階層式時序記憶 （ 英語：Hierarchical temporal memory， … 階層式時序記憶 （ 英語：Hierarchical temporal memory，HTM ）又稱作分層時序記憶或層級實時記憶，是一种受生物学制約的智力理论（或模型），最初見於傑夫·霍金和珊卓拉.布萊克斯里（Sandra Blakeslee）在2004年的著作──（又譯作《人工智能的未來》，英語：On Intelligence）。HTM理论是根據「神经科学」以及哺乳动物（尤其是人類）大脑新皮层中的「锥体神经元生理反應」、「锥体神经元間的相互作用」來開發。 HTM的精髓在於其学习演算法可以進行儲存、學習、推論和長序列回憶。与大多数其他机器学习方法不同，HTM會连续地（以无监督方式）在未标记資料中学习基於時間的模式（patterns）。 HTM对雜訊具有強健性，并且具有高容量，这意味着它可以同时学习多种模式。 当应用于计算机时，HTM非常适合用于预测、检测异常、分类以及最終感覺動作的應用。 透過的範例應用程式和Numenta合作伙伴的一些商業化應用程式，该理论已经在軟體中完成了测试和实现。式和Numenta合作伙伴的一些商業化應用程式，该理论已经在軟體中完成了测试和实现。
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Neuron_comparison.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://web.archive.org/web/20111227082100/http:/www.numenta.com/htm-overview/education/HTM_CorticalLearningAlgorithms.pdf +
, https://spectrum.ieee.org/apr07/4982 +
, http://www.cortical.io +
, http://numenta.com/applications/ +
, http://nupic.docs.numenta.org/stable/quick-start/algorithms.html +
, http://www.almaden.ibm.com/institute/resources/2006/Almaden%20Institute%20Jeff%20Hawkins.ppt +
, https://web.archive.org/web/20121208143402/http:/fora.tv/2009/09/09/Hierarchical_Temporal_Memory_Subutai_Ahmad%23fullprogram +
, https://web.archive.org/web/20130820231210/http:/blog.mohammadzadeh.info/index.php/hierarchical-temporal-memory-related-papers +
, https://www.youtube.com/watch%3Fv=nBYddmFg4nQ +
, http://numenta.com/htm-studio/ +
, http://nupic.docs.numenta.org/stable/api/ +
, https://github.com/numenta/htmresearch +
, http://nupic.docs.numenta.org/stable/quick-start/network.html +
, https://github.com/numenta/nupic +
, https://github.com/numenta/nupic/releases/tag/1.0.0 +
, http://www.numenta.com +
, http://www.cioinsight.com/article2/0%2C1540%2C1955963%2C00.asp +
, https://numenta.org/ +
, https://numenta.com/ +
, https://numenta.com/numenta-anomaly-benchmark/ +
, https://numenta.org/implementations/ +
, http://www.onintelligence.org/forum +
, https://web.archive.org/web/20110714212402/http:/www.numenta.com/htm-overview/education.php +
, http://insight.zdnet.co.uk/hardware/emergingtech/0%2C39020439%2C39268542%2C00.htm +
, https://www.youtube.com/watch%3Fv=z6r3ekreRzY +
, http://vicarious.com/ +
, https://www.wired.com/wired/archive/15.03/hawkins.html +
, http://www.onintelligence.org/forum/viewforum.php%3Ff=3 +
, http://bias.csr.unibo.it/maltoni/HTM_TR_v1.0.pdf +
, https://web.archive.org/web/20060613044124/http:/gartner.com/research/fellows/fellows_interview_jeff_hawkins_tom_austin.jsp +
, http://www.grokstream.com +
, http://sourceforge.net/projects/neocortex +
|
| http://dbpedia.org/ontology/wikiPageID
|
11273721
|
| http://dbpedia.org/ontology/wikiPageLength
|
34392
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1102162662
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Receptive_field +
, http://dbpedia.org/resource/Category:Deep_learning +
, http://dbpedia.org/resource/Self-organizing_map +
, http://dbpedia.org/resource/Semantic_folding +
, http://dbpedia.org/resource/Neural_networks +
, http://dbpedia.org/resource/Sandra_Blakeslee +
, http://dbpedia.org/resource/Anomaly_detection +
, http://dbpedia.org/resource/Artificial_general_intelligence +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Sparse_coding +
, http://dbpedia.org/resource/Internet_forum +
, http://dbpedia.org/resource/CNET +
, http://dbpedia.org/resource/Ventral_stream +
, http://dbpedia.org/resource/Cognitive_architecture +
, http://dbpedia.org/resource/Bayesian_networks +
, http://dbpedia.org/resource/Convolutional_neural_network +
, http://dbpedia.org/resource/Bionics +
, http://dbpedia.org/resource/GNU_General_Public_License +
, http://dbpedia.org/resource/Human_brain +
, http://dbpedia.org/resource/Cerebral_cortex +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Apical_%28anatomy%29 +
, http://dbpedia.org/resource/NMDA +
, http://dbpedia.org/resource/Artificial_consciousness +
, http://dbpedia.org/resource/Distal +
, http://dbpedia.org/resource/Tree_%28data_structure%29 +
, http://dbpedia.org/resource/Neuron +
, http://dbpedia.org/resource/IEEE_Spectrum +
, http://dbpedia.org/resource/Synapse +
, http://dbpedia.org/resource/List_of_artificial_intelligence_projects +
, http://dbpedia.org/resource/Neural_Turing_Machine +
, http://dbpedia.org/resource/Dendrite +
, http://dbpedia.org/resource/Wired_%28magazine%29 +
, http://dbpedia.org/resource/YouTube +
, http://dbpedia.org/resource/Word_%28computer_architecture%29 +
, http://dbpedia.org/resource/Stephen_Grossberg +
, http://dbpedia.org/resource/On_Intelligence +
, http://dbpedia.org/resource/Cortical_column +
, http://dbpedia.org/resource/Action_potential +
, http://dbpedia.org/resource/SaaS +
, http://dbpedia.org/resource/Category:Belief_revision +
, http://dbpedia.org/resource/Neocognitron +
, http://dbpedia.org/resource/Mammal +
, http://dbpedia.org/resource/Basal_%28anatomy%29 +
, http://dbpedia.org/resource/Vector_space +
, http://dbpedia.org/resource/Machine_intelligence +
, http://dbpedia.org/resource/Neuroscience +
, http://dbpedia.org/resource/Bayesian_network +
, http://dbpedia.org/resource/Data_structure +
, http://dbpedia.org/resource/Depolarization +
, http://dbpedia.org/resource/Hierarchical_hidden_Markov_model +
, http://dbpedia.org/resource/Covert_attention +
, http://dbpedia.org/resource/Deep_learning +
, http://dbpedia.org/resource/Jeff_Hawkins +
, http://dbpedia.org/resource/Gartner +
, http://dbpedia.org/resource/Open_Source +
, http://dbpedia.org/resource/Content-addressable_memory +
, http://dbpedia.org/resource/Cortical_minicolumn +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Proximal +
, http://dbpedia.org/resource/NASA +
, http://dbpedia.org/resource/Neocortex +
, http://dbpedia.org/resource/Kunihiko_Fukushima +
, http://dbpedia.org/resource/Belief_revision +
, http://dbpedia.org/resource/Algorithm +
, http://dbpedia.org/resource/Multiple_trace_theory +
, http://dbpedia.org/resource/David_Mumford +
, http://dbpedia.org/resource/Memory-prediction_framework +
, http://dbpedia.org/resource/Belief_propagation +
, http://dbpedia.org/resource/Latent_semantic_analysis +
, http://dbpedia.org/resource/Spike_%28neuroscience%29 +
, http://dbpedia.org/resource/Sparse_distributed_representation +
, http://dbpedia.org/resource/Category:Semisupervised_learning +
, http://dbpedia.org/resource/File:Neuron_comparison.png +
, http://dbpedia.org/resource/Memory_Network +
, http://dbpedia.org/resource/Tomaso_Poggio +
, http://dbpedia.org/resource/Soma_%28biology%29 +
, http://dbpedia.org/resource/Deep_Learning +
, http://dbpedia.org/resource/Unsupervised_learning +
, http://dbpedia.org/resource/Pyramidal_cell +
, http://dbpedia.org/resource/Physiology +
, http://dbpedia.org/resource/Inference +
, http://dbpedia.org/resource/Hippocampus +
, http://dbpedia.org/resource/Semantic +
, http://dbpedia.org/resource/Sparse_distributed_memory +
|
| http://dbpedia.org/property/date
|
August 2018
|
| http://dbpedia.org/property/reason
|
What exactly is meant by "resolution" and "resolution in time" here?
, What is the connection between the sparse distributed representation and the minicolumns?
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Ordered_list +
, http://dbpedia.org/resource/Template:Clarify +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Use_American_English +
, http://dbpedia.org/resource/Template:Bulleted_list +
, http://dbpedia.org/resource/Template:Short_description +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Deep_learning +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Category:Semisupervised_learning +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Category:Belief_revision +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Hierarchical_temporal_memory?oldid=1102162662&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Neuron_comparison.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Hierarchical_temporal_memory +
|
| owl:sameAs |
http://fr.dbpedia.org/resource/M%C3%A9moire_temporelle_et_hi%C3%A9rarchique +
, https://global.dbpedia.org/id/4q3Es +
, http://bg.dbpedia.org/resource/%D0%99%D0%B5%D1%80%D0%B0%D1%80%D1%85%D0%B8%D1%87%D0%BD%D0%B0_%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D0%B0_%D0%BF%D0%B0%D0%BC%D0%B5%D1%82 +
, http://rdf.freebase.com/ns/m.0ddsy9 +
, http://www.wikidata.org/entity/Q652594 +
, http://de.dbpedia.org/resource/Hierarchischer_Temporalspeicher +
, http://zh.dbpedia.org/resource/%E9%9A%8E%E5%B1%A4%E5%BC%8F%E6%99%82%E5%BA%8F%E8%A8%98%E6%86%B6 +
, http://pl.dbpedia.org/resource/Hierarchiczna_pami%C4%99%C4%87 +
, http://ru.dbpedia.org/resource/%D0%98%D0%B5%D1%80%D0%B0%D1%80%D1%85%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BF%D0%B0%D0%BC%D1%8F%D1%82%D1%8C +
, http://uk.dbpedia.org/resource/%D0%86%D1%94%D1%80%D0%B0%D1%80%D1%85%D1%96%D1%87%D0%BD%D0%B0_%D1%87%D0%B0%D1%81%D0%BE%D0%B2%D0%B0_%D0%BF%D0%B0%D0%BC%27%D1%8F%D1%82%D1%8C +
, http://yago-knowledge.org/resource/Hierarchical_temporal_memory +
, http://dbpedia.org/resource/Hierarchical_temporal_memory +
|
| rdf:type |
http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/class/yago/Message106598915 +
, http://dbpedia.org/class/yago/Communication100033020 +
, http://dbpedia.org/class/yago/NeuralNetwork106725467 +
, http://dbpedia.org/class/yago/WikicatArtificialNeuralNetworks +
, http://dbpedia.org/class/yago/ComputerArchitecture106725249 +
, http://dbpedia.org/class/yago/Specification106725067 +
, http://dbpedia.org/class/yago/Statement106722453 +
, http://dbpedia.org/class/yago/Description106724763 +
|
| rdfs:comment |
Ієрархі́чна часова́ па́м'ять (ІЧП, англ. H … Ієрархі́чна часова́ па́м'ять (ІЧП, англ. Hierarchical temporal memory, HTM) — це продиктована біологією технологія машинного інтелекту, розроблювана компанією Numenta. Первинно описану з в книзі 2004 року «Про інтелект», ІЧП натепер переважно використовують для виявляння аномалій у потокових даних. Ця технологія ґрунтується на нейронауці та фізіології та взаємодії у новій корі ссавцевого (зокрема, людського) головного мозку. ІЧП було перевірено та втілено у програмному забезпеченні через приклади застосунків від Numenta, і декілька комерційних застосунків від партнерів Numenta.рційних застосунків від партнерів Numenta.
, La mémoire temporelle et hiérarchique (en … La mémoire temporelle et hiérarchique (en anglais Hierarchical temporal memory (HTM)) est un modèle d'apprentissage automatique développé par Jeff Hawkins et Dileep George de la compagnie Numenta. Il modélise certaines propriétés structurelles et algorithmiques du néocortex. C'est un modèle biomimétique fondé sur le paradigme mémoire-prédiction, une théorie du fonctionnement du cerveau élaborée par Jeff Hawkins dans son livre On Intelligence. Ce modèle permet de découvrir et d'inférer les causes à haut niveau des motifs et séquences observés dans les données, bâtissant ainsi un modèle complexe du monde.tissant ainsi un modèle complexe du monde.
, 階層式時序記憶 （ 英語：Hierarchical temporal memory， … 階層式時序記憶 （ 英語：Hierarchical temporal memory，HTM ）又稱作分層時序記憶或層級實時記憶，是一种受生物学制約的智力理论（或模型），最初見於傑夫·霍金和珊卓拉.布萊克斯里（Sandra Blakeslee）在2004年的著作──（又譯作《人工智能的未來》，英語：On Intelligence）。HTM理论是根據「神经科学」以及哺乳动物（尤其是人類）大脑新皮层中的「锥体神经元生理反應」、「锥体神经元間的相互作用」來開發。 HTM的精髓在於其学习演算法可以進行儲存、學習、推論和長序列回憶。与大多数其他机器学习方法不同，HTM會连续地（以无监督方式）在未标记資料中学习基於時間的模式（patterns）。 HTM对雜訊具有強健性，并且具有高容量，这意味着它可以同时学习多种模式。 当应用于计算机时，HTM非常适合用于预测、检测异常、分类以及最終感覺動作的應用。 透過的範例應用程式和Numenta合作伙伴的一些商業化應用程式，该理论已经在軟體中完成了测试和实现。式和Numenta合作伙伴的一些商業化應用程式，该理论已经在軟體中完成了测试和实现。
, Hierarchiczna pamięć (HTM) – model uczenia … Hierarchiczna pamięć (HTM) – model uczenia maszyn opracowany przez i z firmy , który odzwierciedla strukturalne i algorytmiczne właściwości (neocortex). Model ten używa podejścia podobnego do sieci bayesowskich. Model HTM jest oparty na teorii – teorii działania mózgu opisanej przez w jego książce . Sieci HTM są uważane za bionaśladowcze modele wnioskowania o przyczynach. Model ten jest podobny do pracy i Davida Mumforda.n jest podobny do pracy i Davida Mumforda.
, Иерархическая Временная Память (англ. Hier … Иерархическая Временная Память (англ. Hierarchical temporal memory, HTM) — это частная модель мозга. Разработана Джеффом Хокинсом и Дилипом Джоржом из компании Numenta, Inc. Она моделирует некоторые структурные и алгоритмические свойства неокортекса. HTM модель базируется на теории память-предсказание мозговой функции описанной Джеффом Хокинсом в его книге «Об интеллекте» 2004 года. HTM описываются как биомиметические модели предположения причин интеллектом.е модели предположения причин интеллектом.
, Ein hierarchischer Temporalspeicher (englisch hierarchical temporal memory, HTM) ist ein Modell des maschinellen Lernens, welches von Jeff Hawkins und Dileep George entwickelt wurde. Dieses Modell bildet einige Eigenschaften des Neocortex ab.
, Hierarchical temporal memory (HTM) is a bi … Hierarchical temporal memory (HTM) is a biologically constrained machine intelligence technology developed by Numenta. Originally described in the 2004 book On Intelligence by Jeff Hawkins with Sandra Blakeslee, HTM is primarily used today for anomaly detection in streaming data. The technology is based on neuroscience and the physiology and interaction of pyramidal neurons in the neocortex of the mammalian (in particular, human) brain. HTM has been tested and implemented in software through example applications from Numenta and a few commercial applications from Numenta's partners.cial applications from Numenta's partners.
|
| rdfs:label |
Hierarchical temporal memory
, Иерархическая временная память
, Mémoire temporelle et hiérarchique
, Ієрархічна часова пам'ять
, Hierarchischer Temporalspeicher
, Hierarchiczna pamięć
, 階層式時序記憶
|
